目录
1、前言
我们在写出一个算法或一段代码后如何去衡量这段代码的好坏呢?算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般 是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢。
空间复杂度主要衡量一个算法运行所需要的额外空间。
// 请计算一下Func1中++count语句总共执行了多少次?
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
我们根据此代码可以得出这段代码要运行次数:F(N)=N^2 + N + 10,但在实际应用中我们一般不一定要计算精确的执行次数,而是用大O的渐进表示法。
2、大O的渐进表示法 (Big O notation)
是用于描述函数渐进行为的数学符号。 推导大O阶方法:
1、用常数1取代运行时间中的所有加法常数。
2、在修改后的运行次数函数中,只保留最高阶项。
3、如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
类似于高数中的找大头。
使用大O的渐进表示法以后,Func1的时间复杂度为O(N^2)。
但值得注意的是有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
在实际中一般情况关注的是算法的最坏运行情况。
3、常见时间复杂度举例
1.
// 计算Func2的时间复杂度?
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
这里精确的时间复杂度为:F(N)=N^2 + N + 10,使用O表示法时间复杂度为O(N)。
2.
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++k)
{
++count;
}
for (int k = 0; k < N; ++k)
{
++count;
}
printf("%d\n", count);
}
精确的时间复杂度为:F(N)=M + N
当M>>N时,时间复杂度O(M),当M<<N时,时间复杂度O(N)。
3.
// 计算Func4的时间复杂度?
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\n", count);
}
这里将程序的循环值设为常数,所以时间复杂度为O(1)。
4.
const char * strchr ( const char * str, int character );
查找字符串中第一个出现的字符返回指向 C 字符串
str 中第一个出现的字符的指针。
终止空字符被视为 C 字符串的一部分。因此,也可以定位它以检索指向字符串末尾的指针。
这个就是在字符串中寻找一个字符,对于这种就要分好坏情况;
最好1次,最坏N次,时间复杂度一般看最坏,时间复杂度为 O(N)。
5.
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
两个for循环嵌套使用,一共执行N^2次,故时间复杂度为O(N^2)。
6.
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
二分查找算法,最坏的情况是查找区间缩放只剩一个值的时候,最坏情况下查找了对少次,就除了几次二,时间复杂度为O(log2)。
7.
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{
if (0 == N)
return 1;
return Fac(N - 1) * N;
}
递归的时间复杂度就是多次调用的累加,时间复杂度为O(N)。若在递归中加入for循环
for(size_t i = 0; i < N ; i++)
{
//……
}
时间复杂度变为O(N^2)。
8.
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
双路递归要注意,时间是累积的,而空间是可以重复利用的,递归某一分路,在函数返回时会系统会自动销栈,将不用的空间返回,让后续递归可以继续使用,故双路递归的时间复杂度为O(N)。